Hybrides Deep-Learning-Modell für die Erkennung der Weizen-Gelbrost-Krankheit

In vielen Regionen der Welt haben sich die Qualitäts- und Ertragsverluste bei Weizen aufgrund von Weizenrostkrankheiten erhöht. Die Identifizierung der Gelbrostkrankheit zusammen mit dem Prozentsatz der durch die Rostkrankheit geschädigten Gewebe in Bezug auf den Schweregrad ist sehr wichtig und wird in der Regel durch erfahrene Auswerter oder Computer-Vision-Techniken erreicht. Mit Hilfe von Computer-Vision-Techniken sollten die Kosten und der Zeitaufwand minimiert werden. In dieser Studie wird ein Klassifizierungsmodell für Weizengelbrost mit verschiedenen Schweregraden der Krankheit vorgestellt. Es wird mit Hilfe von STARGAN und Convolutional Neural Network (CNN) erstellt. STARGAN wird in dieser Studie zur Datenerweiterung vorgeschlagen. Nach der Durchführung mehrerer Experimente mit verschiedenen Parametern wie Epochen, Stapelgrößen, Lernrate und Dropout-Rate erreicht diese Studie eine Klassifizierungsgenauigkeit von 94,07 %, um Weizengelbrost von der normalen Weizenpflanze zu unterscheiden. Bei der Messung des Schweregrads erreichte CNN eine Validierungsgenauigkeit von 94,3 % für Weizengelbrost bei hohem Schweregrad.

Autorentext

Deepak Kumar é professor na Escola de Engenharia e Tecnologia (Ciências Aplicadas), Instituto Internacional de Investigação e Estudos Manav Rachna (MRIIRS), Índia.Sandhya Singh tem um doutoramento em Matemática pelo MRIIRS, Índia.Pooja Khurana é Professora Associada na Escola de Engenharia e Tecnologia (Ciências Aplicadas), MRIIRS, Índia.